一种基于深度神经网络的流场状态故障检测方法与流程

1.本发明属于流场状态故障诊断技术领域，涉及一种基于深度神经网络结构的流场状态故障诊断方法。


背景技术：

2.火箭发动机腔体内部的γ光子信号可以通过部署于发动机腔体外环的γ光子探测器等设备适时采集，用以准确反映发动机腔体内部的流场状态。如何从海量的γ光子信号中提取能够准确反映火箭发动机内流场状态故障特征的有效信息，并确定故障类型和工作状态，是流场状态故障诊断的主要研究内容。含有故障特征的火箭发动机设备工作环境通常非常复杂，金属和机械复杂件较多，背景噪声强烈，利用现场测得的γ光子信号通常是强背景噪声下的多分量、非平稳复杂信号。所以其故障特征提取故障诊断的信号处理方法，对准确率和诊断效果有更高的要求。
3.现有技术的γ光子信号处理，一般采用时域特征提取方法或频域特征提取方法。由于时域特征中不能反映频率、频谱等信息，而频域方法只能反映振动信号中的局部特征信息，也不能反映时变特征信息，因此，直接采用单一的时域或频域方法并不能准确、有效、完整的表达振动信号中的有用信息。维纳
‑
威利分布等传统时频分析中存在交叉项干扰而严重影响了故障特征信息的提取和辨识，本文提出的基于深度卷积神经网络的故障模式识别方法能有效避免交叉项干扰等的缺陷。随着机器学习等人工智能方法的兴起，神经网络开始越来越多的吸引众多研究者的关注。深度神经网络结构可以通过梯度下降法等优化算法从输入数据中通过隐藏层自动学习到有效的表征特征。稀疏编码、波尔茨曼机、卷积神经网络等深度学习算法已广泛应用于图像处理，音频处理，文字识别等研究中。也逐渐引用到γ光子信号特征提取中。


技术实现要素：

4.本发明的目的在于克服现有技术的缺陷，提供一种基于深度卷积神经网络结构的流场状态故障检测方法，该方法将γ光子信号的时频特征作为辨识目标，能够准确提取γ光子信号的时变频谱特征和能量特征，并采用卷积特征学习方法构建深度卷积神经网络模型，作为辨识模型，学习γ光子信号时频表示中的复杂特征，更加有利于故障特征的表示提取。
5.为了解决上述技术问题，本发明采用以下技术方案。
6.本发明的一种基于深度卷积神经网络结构的流场状态故障检测方法，其特征在于，包括以下步骤：
7.步骤1、采集γ光子信号并做预处理：将采集到的原始γ光子信号进行分段处理，采用随机重叠的方法从振动信号中提取m段信号，每一段信号有n个样本点；将提取的信号组成样本数据集{s}
n
×
m
，其中，s
j
∈s
n
×1表示第j个分段中的含有n个数据点；
8.利用三次多项式拟合消除每一段振动信号中的趋势
[0009][0010]
式中，y
k
、x
k
为样本点，a0、a1为系数，n、k＝1，2，3
……
n，其中n，其中
[0011]
步骤2、利用短时fourier变换方法提取振动信号的时频特征：将在步骤1中得到的样本数据集进行短时fourier时频变换分析，得到各个γ光子信号信号的时频特征，并利用伪色彩图显示。
[0012]
所述步骤2的过程如下：
[0013]
将数据样本集写成矩阵形式s
n
×
m
，分别选择最佳采样率、阈值和时频中心，采用下式进行短时傅里叶时频变换(stft)，获得数据样本集每一段信号对应的时频变换特征信息数据：
[0014][0015]
式中，f为频率，τ为时间，ω(τ
‑
t)为时频窗函数，x(τ)ω(τ
‑
t)为时频中心；然后利用计算获得的时频变换特征信息数据绘制伪色彩图，对数据进行可视化处理，叠加形成三维数据样本集。
[0016]
步骤3、利用插值方法缩小图像分辨率并将各个图像叠加，形成训练样本集和测试样本集，作为卷积神经网络的输入。
[0017]
所述步骤3的过程如下：
[0018]
利用最邻近插值算法无失真的降低时频图像分辨率，使时频图像尺寸缩小至64
×
64；将所有时频图像叠加，添加对应的故障标签，随机选择50％作为训练样本集，50％作为测试样本集。
[0019]
步骤4、构建深度卷积神经网络模型，包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层。先将两个卷积层和两个池化层分别交叉叠加，然后将第二个池化层的输出特征根据全连接的形式展开，再将单层softmax分类层接到全连接层上组成深度卷积神经网络模型。
[0020]
所述步骤4的过程如下：
[0021]
将两个卷积层和两个池化层分别交叉叠加形成网络主体结构，将softmax分类层接到全连接层上，作为故障特征辨识层，组成完整的深度卷积神经网络模型；
[0022]
在卷积层中，对于任意输入x，子序列为：x
j
＝ρw
j
x
j
‑1[0023]
式中，w和ρ分别为卷积运算和非线性激活函数；w
j
是滤波映射的权值，且每一层均写成前一层的卷积之和：
[0024][0025]
式中，u为x的元素，j＝1，2，3，
…
，n，*是卷积运算：
[0026]
[0027]
式中，h为映射函数，g为激活函数。
[0028]
通过随机梯度下降法的凸优化算法计算梯度，优化求解权值wj；
[0029]
采用池化方法，将目标区域分割为非重叠区域，选择池化维数为4，神经元数为300。采用最大池化函数提取特征并提高计算神经网络的计算效率；
[0030]
利用深度卷积神经网络结构模型提取输入数据的卷积特征和池化特征，训练网络模型结构参数；在softmax层的激活函数采用sigmoid函数：模型结构参数；在softmax层的激活函数采用sigmoid函数：
[0031]
步骤5、将训练样本集导入深度卷积神经网络模型进行训练并获得卷积特征、池化特征和神经网络结构参数，根据构建的深度神经网络模型对未知的故障信号实现基于时频特征提取的流场状态故障诊断。
[0032]
进一步的，步骤2所述的最佳采样率和阈值分别为512、5％。
[0033]
与现有技术相比，本发明的优点和有益效果包括：
[0034]
1.本发明将振动信号的时频表示作为深度神经网络的输入，智能学习时频表示中的故障特征，并对故障特征进行分类辨识。本发明的时频联合分析方法结合了时域和频域分析特点的优点，避免了时域信号不能反映频谱特征的缺点，也避免了频谱泄露和频域信号不能反映γ光子信号相位特征和时变特征的缺点，可以准确反映出γ光子信号中时变特征及其频谱特征，反映γ光子信号中能量集中位置和分布特点，具有很强的信息捕获和表征能力。
[0035]
因此，本发明将γ光子信号的时频表示作为辨识目标，能够准确提取振动信号的时变频谱特征和能量特征，将更加有利于故障特征的表示提取，可更加完整、准确体现γ光子信号中的特征信息。
[0036]
2.卷积神经网络将辨识目标网格化，分块提取目标特征，对辨识目标中相邻网格之间的差异和微小变化非常敏感，对二维数据特征学习方面具有优异性能，在本发明中采用卷积特征学习方法构建深度卷积神经网络模型，作为辨识模型，利用该模型高效的学习γ光子信号时频表示中的复杂特征信息，进而进行故障诊断。
[0037]
3.本发明提出了基于短时傅里叶变换和深度卷积神经网络模型相结合的流场故障特征信息提取和智能诊断方法，可有效地对火箭发动机流场状态和故障信息进行高效的辨识和判断，进行机械设备的状态监测和健康管理。
附图说明
[0038]
图1是本发明的一种实施方法流程图。
[0039]
图2是一组γ光子不同类型的故障信号及其时频表示图。
[0040]
图3是本发明的一种实施方法的深度卷积神经网络结构模型图。
[0041]
图4是本发明的一种实施例方法的深度卷积神经网络模型提取的轴承故障卷积特征和池化特征示意图。
具体实施方式
[0042]
本发明的一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法，其步骤包括：(1)采集γ光子信号测试数据，将数据合理分段并做去趋势项预处理；(2)将采集
到的信号数据进行短时fourier时频变换分析，得到各个γ光子信号的时频特征，并利用伪色彩图显示；(3)利用插值方法缩小图像分辨率并将各个图像叠加，形成训练样本和测试样本，作为卷积神经网络的输入；(4)构建深度卷积神经网络模型，包括输入层、两个卷积层、两个池化层、全连接层和分类层和输出层；(5)将训练样本导入深度卷积神经网络模型进行训练并获得卷积特征、池化特征和神经网络结构参数，根据构建的深度神经网络模型对未知的故障信号实现基于时频特征提取的旋转机械故障诊断。本发明将振动信号的时频表示作为深度神经网络的输入，智能学习时频表示中的故障特征信息，并对故障特征进行分类辨识。通过深度卷积神经网络结构对旋转机械故障信号的时频表示进行故障诊断，较已有的时域或频域方法，具有更好的准确性和稳定性。
[0043]
下面结合附图对本发明做进一步详细说明。
[0044]
图1是本发明的一种实施方法流程图。如图1所示，该实施方法包括以下步骤。
[0045]
步骤1：采集旋转机械故障振动测试信号，对原始振动信号进行预处理，具体过程如下：
[0046]
将采集到的原始振动信号进行分段处理，采用随机重叠的方法从振动信号中提取m段信号，每一段信号有n个样本点，将提取的信号组成样本数据集{s}
n
×
m
，其中，s
j
∈s
n
×1表示第j个分段中的含有n个数据点；
[0047]
利用三次多项式拟合消除每一段振动信号中的趋势
[0048]
式中，y
k
、x
k
为样本点，a0、a1为系数，n、k＝1，2，3
……
n，其中n，其中
[0049]
来对采样数据进行多项式趋势项消除的处理。以casewestreverse
[0050]
universit轴承测试中心的轴承故障测试数据为例，每一种故障选择200组样本，每个样本有1024个点，总共有10种故障。
[0051]
步骤2：利用短时fourier时频变换提取振动信号中的时频特征信息
[0052]
(2)短时fourier时频变换分析：将样本数据集写成矩阵形式s
n
×
m
，设置采样率和阈值分别为512、5％，时频窗函数为ω(τ
‑
t)，时频中心为x(τ)ω(τ
‑
t)，利用以下短时fourier变换方程计算每一段信号的时频表示，其中，f为频率，τ为时间。将获得的时频变换数据叠加形成三维数据集。并且同时可计算时频等高线图，对数据进行可视化处理。
[0053][0054]
式中，f为频率，τ为时间，利用计算获得的时频变换数据绘制伪色彩图，展现时频特征信息，对数据进行可视化处理，叠加形成三维数据集。
[0055]
步骤3：建立训练集和测试集：
[0056]
利用最邻近插值算法无失真的降低图像分辨率，缩小图像尺寸至64
×
64，降低时频表示数据的尺寸，将所有图像叠加，并添加对应的故障特征标签，标签序号从1到10，随机选择其中50％的样本作为训练集，其余的50％样本作为测试集。
[0057]
步骤4：建立深度卷积神经网络结构模型：通过将两个卷积层和池化层交叉叠加，将单层softmax模型联接到全连接层上，组成深度卷积神经网络模型。
[0058]
卷积神经网络包含卷积特征提取和池化特征提取两个基础步骤，本发明通过将两个卷积层和池化层交叉叠加形成网络主体结构，将单层softmax层联接到全连接层上，作为故障特征辨识层，组成完整的深度卷积神经网络模型。在卷积层中，对于任意输入x，子序列为：
[0059]
x
j
＝ρw
j
x
j
‑1[0060]
式中，w和ρ分别为卷积运算和非线性激活函数。w
j
是滤波映射的权值，并且每一层都可以写成前一层的卷积之和：
[0061][0062]
式中，*是卷积运算：
[0063][0064]
式中，h为映射函数，g为激活函数。
[0065]
通过随机梯度下降法的凸优化算法计算梯度，优化求解权值w
j
。
[0066]
池化方法作为一种降采样策略，可以将目标区域分割为非重叠区域，选择池化维数为4，神经元数为300，采用最大池化函数提取特征并提高计算神经网络的计算效率。
[0067]
利用神经网络结构模型提取输入数据的卷积特征和池化特征，训练网络模型结构参数。在softmax层的激活函数采用sigmoid函数：
[0068][0069]
步骤5：将输入数据导入网络模型，进行故障诊断测试
[0070]
(5)将训练集导入构建的深度卷积神经网络模型中，训练神经网络模型结构参数，并提取卷积特征和池化特征。测试集准确率达到100％，将测试集导入训练完成的模型中，测试集分类准确率达到99.75％。